深度学习在生物医药领域的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量	算法框架	模型架构	性能指标	计算资源
2521	2026-09-06	Identifying Cocoa Flower Visitors: A Deep Learning Dataset 2025-07-28, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05631-3 PMID:40721425	研究论文	介绍首个可可花访客图像数据集，并用不同规模的YOLOv8模型进行性能评估	首次提供可可花访客的深度学习数据集，包含5792张访客图像和1082张背景图像，并系统研究了不同背景图像比例对模型性能的影响	数据集仅来自中国海南一个地区，且访客类别有限，模型在低对比度图像上的检测性能仍有提升空间	支持可可花访客监测，以促进可持续可可生产	可可花访客图像，包括蠓科、蚁科、蚜科、蜘蛛目和跳小蜂科	计算机视觉	不适用	嵌入式相机图像采集	YOLOv8	图像	5792张访客图像（含5类）和1082张背景图像，数据从2300万张中筛选得出	YOLOv8	YOLOv8（小型、中型、大型）	F1分数、mAP50	未提及
2522	2026-09-06	A Multi-Modal Pelvic MRI Dataset for Deep Learning-Based Pelvic Organ Segmentation in Endometriosis 2025-07-24, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05623-3 PMID:40707497	研究论文	本研究提出了一个用于子宫内膜异位症盆腔器官分割的多模态盆腔MRI数据集，并展示了两种自动分割管道（nnU-Net和RAovSeg）的基线性能。	首次提出针对子宫内膜异位症的多中心、多序列盆腔MRI数据集，并公开用于进一步研究。	数据规模较小，分割标签由不同数量的评估者提供，可能影响模型泛化性。	提供公开的盆腔MRI数据集，并评估自动分割方法，以支持子宫内膜异位症的诊断和研究。	子宫内膜异位症患者的盆腔MRI图像及相应器官标签（子宫、卵巢、子宫内膜瘤）。	医学影像分析	子宫内膜异位症	磁共振成像（MRI）	nnU-Net, RAovSeg	MRI图像	51例多中心数据集和81例单中心数据集	未提及	nnU-Net, RAovSeg	未提及具体指标，可能包括Dice系数等分割指标（未明确列出）	未提及
2523	2026-09-06	A multimodal dataset for training deep learning models aimed at detecting and analyzing sleep apnea 2025-07-18, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05583-8 PMID:40681588	研究论文	本文介绍了一个用于训练深度学习模型以检测和分析睡眠呼吸暂停的多模态数据集，该数据集整合了多导睡眠监测设备和同步音频记录的数据，并由医学专家基于PSG监测数据进行标注	提供了一个公开、标准化且高质量的多模态数据集，整合了PSG设备数据与同步音频记录，并由专家精确标注，为睡眠呼吸暂停深度学习模型的发展和应用提供了数据资源	摘要中未提及局限性	旨在为睡眠呼吸暂停综合征的深度学习模型开发和应用提供公开、标准化、高质量的数据资源，以提升诊断准确性和效率	睡眠呼吸暂停综合征患者的多导睡眠监测数据和同步音频记录	数字病理学	睡眠呼吸暂停综合征	多导睡眠监测（PSG）	深度学习模型	多模态数据（PSG信号和音频）	NA	NA	NA	NA	NA
2524	2026-09-06	Visualizing what's missing: Using deep learning and Bow-Tie diagrams to identify and visualize missing leading indicators in industrial construction 2025-07, Journal of safety research IF:3.9Q2 DOI:10.1016/j.jsr.2025.02.007 PMID:40483046	研究论文	本研究利用深度学习与领结图识别并可视化工业建筑中缺失的前瞻性安全指标	首次结合SBERT嵌入、定制人为与组织因素框架及领结图、桑基图，分析检查报告未捕获的危险模式，以可视化前瞻性指标的缺失	基于单一加拿大建筑项目的数据，可能限制结果的泛化性；依赖文本数据的质量与完整性	识别安全检查期间前瞻性指标未能捕获的危险，以提升风险管理并促进预测性主动安全措施	工业建筑项目中的事故报告与安全检查描述记录	自然语言处理	不适用	自然语言处理、文本挖掘、嵌入向量生成（SBERT）	SBERT（句子双向编码器表示转换器）	文本报告（事故与检查描述）	633起事故和9,681条检查描述（2015-2018年，加拿大）	PyTorch	SBERT（Transformer架构）	相似性计算（余弦相似度）	未提及具体GPU或云平台
2525	2026-09-06	A comparative analysis of deep learning models for assisting in the diagnosis of periapical lesions in periapical radiographs 2025-05-26, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-06104-0 PMID:40420083	研究论文	本研究对比分析了ConvNeXt和ResNet34两种深度学习模型在辅助新手牙医诊断根尖周病变方面的效果，证明ConvNeXt能显著提升诊断性能并缩短诊断时间。	首次评估深度学习模型在辅助临床医生诊断根尖周病变中的潜力，并系统比较了两种模型的辅助效果及对新手牙医诊断时间和准确度的影响。	研究局限于单中心数据，且样本主要来自特定人群，可能影响模型的泛化能力	利用两种深度学习模型（ConvNeXt和ResNet34）辅助新手牙医在根尖周X线片上检测根尖周病变，以促进深度学习在牙科临床的应用。	根尖周X线片（PRs）中的根尖周病变（PLs）	计算机视觉	根尖周病变	深度学习模型训练与评估	卷积神经网络（CNN）	图像（根尖周X线片）	1305张完整的根尖周X线片（训练集1044张，验证集261张）和额外的800张单个牙齿根尖周X线片	NA	ConvNeXt, ResNet34	精确率、灵敏度、F1分数、特异性、准确率、AUC	NA
2526	2026-09-06	Integration of MRI radiomics and clinical data for preoperative prediction of vascular invasion in breast cancer: A deep learning approach 2025-05, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110339 PMID:39880177	研究论文	本研究评估了结合MRI影像组学特征与临床数据，采用深度学习方法预测乳腺癌血管浸润的效能	将MRI影像组学特征与临床数据相结合，通过深度学习技术提高乳腺癌血管浸润的术前预测准确性	信息未提供	评估整合MRI影像组学和临床数据的深度学习方法在预测乳腺癌血管浸润中的有效性	102例经手术病理证实为浸润性乳腺癌的患者	医学影像分析	乳腺癌	MRI影像组学	深度学习模型	MRI图像及临床数据	102例浸润性乳腺癌患者	NA	NA	AUC, 敏感性, 特异性	NA
2527	2026-09-06	Large blood vessel segmentation in quantitative DCE-MRI of brain tumors: A Swin UNETR approach 2025-05, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110342 PMID:39892479	研究论文	提出一种基于Swin UNETR架构的自动大血管分割方法，用于脑肿瘤定量DCE-MRI图像，并与U-Net和Attention U-Net比较。	首次将Swin UNETR应用于大型血管自动分割，跨多个中心和设备验证泛化能力，性能优于现有模型。	未提及明确的局限性。	开发自动大血管分割方法，提高脑肿瘤分级和治疗评估的准确性。	脑肿瘤患者的MRI数据，包括淋巴瘤和转移瘤。	医学图像分析	脑肿瘤	DCE-MRI	Swin UNETR、U-Net、Attention U-Net	MRI图像	187名脑肿瘤患者的训练、验证和测试数据集	NA	Swin UNETR、U-Net、Attention U-Net	Dice系数，p值	NA
2528	2026-09-06	Use of deep learning-accelerated T2 TSE for prostate MRI: Comparison with and without hyoscine butylbromide admission 2025-05, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110358 PMID:39938669	研究论文	本研究旨在评估深度学习加速的T2加权涡轮自旋回波成像序列在无需使用丁溴东莨菪碱的情况下，用于前列腺MRI的可行性，并与常规T2 TSE序列对比图像质量和诊断信心。	首次在3T磁共振成像系统上直接比较了深度学习加速的T2 TSE序列与常规T2 TSE序列在有和无丁溴东莨菪碱情况下对前列腺成像的图像质量，探索了DL序列是否能减少对药物使用的依赖，同时保持或改善定量图像质量指标。	研究样本量较小（每组30例），为单中心研究，且仅评估了特定扫描仪和软件版本下的DL序列，未评估肿瘤检出率，需在后续研究中验证。	比较深度学习加速的T2 TSE序列与常规T2 TSE序列在前列腺MRI中的图像质量，以确定DL序列是否可以替代HBB的使用，同时不牺牲图像质量。	120名连续的前列腺MRI患者，分为四组（每组30人），每组根据HBB使用与否及视野大小（130mm或160mm）进行区分。	医学影像	前列腺疾病	深度学习加速的T2加权磁共振成像	深度学习模型（具体架构未在摘要中提及）	磁共振图像	120名患者（每组30例），分为四组	NA	NA	图像质量评分（运动伪影、锐度、噪声、诊断信心）、边缘上升距离、信噪比、对比度噪声比、组内相关系数	实施于3T扫描仪及软件系统（2022/23版）
2529	2026-09-06	3D tooth identification for forensic dentistry using deep learning 2025-04-30, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-06017-y PMID:40301795	研究论文	本文提出了一种基于深度学习的三维牙齿识别方法，用于法医牙科中的牙齿分类，通过将3D牙齿模型转换为2D图像并利用RNN架构进行准确分类	提出了一种从3D牙齿模型中提取代表性特征并转换为2D图像的新方法，结合RNN和全连接层增强序列数据处理能力，以克服3D数据不规则性的挑战	NA	提高法医牙科中牙齿分类的准确性和诊断效率，减少人工分析并加快处理速度	口腔内牙齿结构模型	计算机视觉	NA	3D成像	RNN、全连接层	3D模型和2D图像	NA	NA	RNN	NA	NA
2530	2026-09-06	Spatial-frequency aware zero-centric residual unfolding network for MRI reconstruction 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110334 PMID:39863026	研究论文	提出了一种空间频率感知的零中心残差展开网络，用于磁共振成像重建，以提升图像质量并减少采样伪影	引入了可学习的空间频率差异感知模块，补充数据一致性层，将k空间域差异映射到空间图像域进行感知补偿；受小波分解启发，将图像分解为均值和残差成分，对残差实施零均值约束以提高效率	未明确提及，但可能受限于数据集特定性和计算资源需求	改进MRI重建算法，减少欠采样k空间引起的图像域伪影，增强图像质量	MRI图像数据，使用FastMRI和Calgary-Campinas数据集	计算机视觉, 深度学习	无特定疾病类别	压缩感知, 深度学习	展开网络（Unfolding Network）	图像	未明确给出具体样本数量	未提及具体框架	空间频率感知模块, 数据一致性层, 零中心残差模块	重建性能指标（具体未列出，如PSNR、SSIM）	未提及具体计算资源
2531	2026-09-06	FDuDoCLNet: Fully dual-domain contrastive learning network for parallel MRI reconstruction 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110336 PMID:39864600	研究论文	提出了一种基于变分网络的全双域对比学习网络FDuDoCLNet，用于并行磁共振成像重建，同时在图像域和小波域进行优化	受小波理论中提升方案的启发，首次在图像域和小波域同时引入双域对比损失，以有效优化重建性能并解决现有双域方法对单一域特征过度关注的问题	仅在6倍加速因子的fastMRI多线圈膝关节数据集上进行了评估，未涉及其他加速因子或解剖部位，且未提及计算资源需求或实时性能	提高并行磁共振成像的重建质量，通过同时利用图像域全局信息和小波域局部细节来克服现有深度学习重建方法的局限性	并行磁共振成像重建	深度学习	不适用	并行磁共振成像	变分网络	图像	公开的fastMRI多线圈膝关节数据集	不适用	VarNet	PSNR, SSIM	不适用
2532	2026-09-06	A multi-modal transformer for cell type-agnostic regulatory predictions 2025-Feb-12, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2025.100762 PMID:39884279	研究论文	本文介绍了一种名为EpiBERT的多模态Transformer模型，通过掩码可及性预训练目标学习基因组序列与细胞类型特异性染色质可及性的通用表示，并可微调用于基因表达预测。	创新点在于提出多模态Transformer架构，采用掩码可及性预训练目标，使模型能够泛化到未见过的细胞状态。	摘要未明确提及局限性。	提高基于序列的深度神经网络在调控基因组学中的泛化能力。	人类基因组序列与细胞类型特异性染色质可及性数据。	深度学习	不适用	DNA测序	Transformer	序列数据	不适用	NA	Transformer	准确性	NA
2533	2026-09-06	Multi-modal prediction of extracorporeal support-a resource intensive therapy, utilizing a large national database 2025-Feb, JAMIA open IF:2.5Q3 DOI:10.1093/jamiaopen/ooae158 PMID:39764170	研究论文	本研究利用大型国家数据库，开发了一种基于多模态数据的层级深度学习模型，用于持续预测体外膜氧合（ECMO）使用需求，以改善患者分诊和资源分配。	提出了一种层级深度学习模型'PreEMPT-ECMO'，该模型整合了静态和多粒度时间序列特征，能够从ECMO启动前96小时至0小时连续预测ECMO使用风险，优于传统的预测模型，并提供了特征贡献度的时间变化分析。	该研究主要基于COVID-19患者数据，未来需要在非COVID-19难治性呼吸衰竭患者中进行前瞻性验证和泛化性研究。	开发一个连续的ECMO风险预测模型，以增强患者分诊和资源分配。	ECMO支持的患者，来自国家COVID队列协作组（N3C）。	机器学习	COVID-19相关呼吸衰竭	NA	层级深度学习模型	静态和时间序列临床数据（多模态）	101,400名患者，其中1,298名（1.28%）接受了ECMO。	NA	NA	准确度、精确度	NA
2534	2026-09-06	Machine Learning and Deep Learning Applications in Magnetic Particle Imaging 2025-Jan, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29294 PMID:38358090	综述	综述了机器学习和深度学习在磁粒子成像（MPI）中的应用	总结了人工智能方法在MPI图像重建和分析中的最新进展和潜在未来方向	未提及	回顾机器学习与深度学习模型在MPI中的应用及其潜力	磁粒子成像（MPI）及其图像重建和分析方法	机器学习	NA	Magnetic Particle Imaging (MPI)	机器学习与深度学习模型（未具体指定）	图像	NA	NA	NA	NA	NA
2535	2026-09-06	Deep Learning Artificial Intelligence Predicts Homologous Recombination Deficiency and Platinum Response From Histologic Slides 2024-10-20, Journal of clinical oncology : official journal of the American Society of Clinical Oncology IF:42.1Q1 DOI:10.1200/JCO.23.02641 PMID:39083703	研究论文	本研究开发了DeepHRD深度学习平台，利用常规苏木精-伊红染色组织切片预测乳腺癌和卵巢癌的同源重组缺陷状态，并评估其预测铂类药物反应的能力	首次使用H&E染色组织学切片直接预测HRD状态，无需分子检测，并能通过迁移学习适用于卵巢癌，分类出更多HRD患者且显示更好的临床结局	未提及具体限制，但可能包括样本选择偏倚、泛化性验证范围有限或依赖TCGA数据等（基于摘要推断）	开发一种从常规病理切片预测HRD和铂类药物反应的深度学习方法，以提供替代分子检测的快速诊断工具	乳腺癌和卵巢癌患者样本，包括原发和转移性癌症，以及接受铂类或非铂类治疗的临床队列	数字病理学, 深度学习	乳腺癌, 卵巢癌	组织病理学切片分析	深度学习平台	苏木精-伊红染色组织切片图像	训练集：1008例乳腺癌和459例卵巢癌；验证集：349例乳腺癌和141例卵巢癌（来自多个独立数据集）	PyTorch	卷积神经网络	接受者操作特性曲线下面积、风险比和置信区间	未提及具体GPU或计算资源
2536	2026-09-06	High-Throughput Deep Learning Detection of Mitral Regurgitation 2024-Sep-17, Circulation IF:35.5Q1 DOI:10.1161/CIRCULATIONAHA.124.069047 PMID:39129623	研究论文	本研究开发并验证了一种全自动深度学习流程，用于从经胸超声心动图中识别彩色多普勒的二尖瓣反流并检测其严重程度	提出了一种全自动管道，结合视图分类和MR严重度检测，并在多机构大规模数据上验证了高性能	未见明确局限性描述	开发并验证一种自动检测临床显著二尖瓣反流的深度学习管道，以实现自动化筛查和监测	经胸超声心动图视频，包括心尖四腔切面彩色多普勒视频	计算机视觉、医学影像	二尖瓣反流	超声心动图、彩色多普勒成像	深度学习模型（具体未指定）	超声心动图视频	开发集包含58,614项研究（2,587,538个视频）；内部测试集1,800项研究（80,833个视频）；外部测试集915项研究（46,890个视频）	未明确	未明确	AUC、敏感性、特异性	未明确
2537	2026-09-06	Automated expert-level scleral spur detection and quantitative biometric analysis on the ANTERION anterior segment OCT system 2024-05-21, The British journal of ophthalmology DOI:10.1136/bjo-2022-322328 PMID:37798075	研究论文	独立验证深度学习算法在ANTERION前节OCT系统中自动检测巩膜突及基于巩膜突的生物测量指标的准确性。	首次在独立患者群体中验证Heidelberg Engineering开发的深度学习算法，能够达到专家水平的巩膜突检测和生物测量精度。	未提及，标题和摘要中无明确信息。	评估深度学习算法在AS-OCT图像中自动检测巩膜突位置并测量生物参数的性能。	117名接受常规眼科护理患者的1308张前节OCT图像。	计算机视觉（医学影像）	眼科疾病（如闭角型青光眼评估）	前节光学相干断层扫描（AS-OCT）	深度学习算法（具体模型类型未明确）	医学图像	1308张AS-OCT图像来自117名参与者	未在标题和摘要中明确	未在标题和摘要中明确	差异中位数（µm）、组内相关系数（ICC）	未在标题和摘要中明确
2538	2026-09-06	A cascading learning method with SegFormer for radiographic measurement of periodontal bone loss 2024-03-11, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-024-04079-y PMID:38468273	研究论文	本研究提出了一种级联学习方法，利用SegFormer模型进行牙周骨丧失的影像学测量	创新性地将深度学习中的SegFormer模型应用于两级联任务（牙位识别和牙齿语义分割），并结合主成分分析主轴进行牙周骨丧失的定量测量	未提供具体限制信息，可能包括样本量有限或需要临床验证等	旨在建立一种精确测量特定牙位放射学骨丧失的级联学习方法，以辅助牙周病诊断	全景X射线图像中的牙齿及牙周骨结构	医学影像分析	牙周病	深度学习、图像分割	SegFormer	图像	未在摘要中明确说明样本量	未明确说明，但可能使用如PyTorch等深度学习框架	SegFormer	交并比、F1分数、相关系数、精确率、敏感度	未在摘要中说明，但可能使用GPU进行训练
2539	2026-09-06	Artificial Intelligence-Enhanced Breast MRI: Applications in Breast Cancer Primary Treatment Response Assessment and Prediction 2024-03-01, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001010 PMID:37493391	综述	本文综述了人工智能增强乳腺MRI在乳腺癌原发性全身治疗反应评估和预测中的应用，并讨论了其临床实施的挑战和局限性	全面总结了传统机器学习和深度学习在MRI预测乳腺癌对PST反应中的应用，涵盖治疗前和早期治疗阶段	临床实施面临挑战，包括定性主观评估的局限性、验证不足及技术转化障碍	评估和总结人工智能增强MRI在乳腺癌原发性全身治疗反应评估与预测中的当前应用	乳腺癌患者，特别是接受原发性全身治疗的局部晚期或早期乳腺癌患者	医学影像分析	乳腺癌	磁共振成像	传统机器学习、深度学习	医学图像	不适用	不适用	不适用	不适用	不适用
2540	2026-09-06	Deep learning-based respiratory muscle segmentation as a potential imaging biomarker for respiratory function assessment 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306789 PMID:39058719	研究论文	本研究利用深度学习技术自动分割和分类CT图像中的三种呼吸肌，并评估其与肺功能测试参数的相关性	首次采用Attention U-Net架构在大规模CT图像数据集上进行呼吸肌分割与分类，并发现呼吸肌体积可作为呼吸功能的潜在影像生物标志物	肌肉密度与肺功能参数的相关性较弱，未明确探讨其临床应用的局限性	开发自动化方法分割和分类三种呼吸肌，并评估其作为呼吸功能评估的影像生物标志物的潜力	三种呼吸肌：胸大肌、竖脊肌和肋间肌	数字病理学	呼吸系统疾病	CT成像	Attention U-Net	CT图像	约3,200名个体的600,000张胸部CT图像	NA	Attention U-Net	Dice系数，广义Dice系数，F1分数	NA